Python wird als Programmiersprache im wissenschaftlichen und HPC-Umfeld (z.B. Machine Learning) zunehmend populärer. Parallelität ist hierbei unverzichtbar zur Erzielung ausreichender Leistung. Python bringt dabei ganz eigene Herausforderungen mit sich.
In diesem Vortrag wird erklärt, wie man in Python das gesamte Spektrum der Parallelität – SIMD, Threading und Multi-processing – abdecken kann. Mit konkreten Beispielen (wie Collaborative Filtering und Black Scholes) werden z.B. Numba, dask, cython, TBB und mpi4py vorgestellt. Diese Pakete sind beispielsweise in der Intel Distribution for Python und Anaconda enthalten. Es wird auch speziell auf Herausforderungen beim Schachteln mehrerer parallelen Ebenen eingegangen.
Vorkenntnisse
Grundkenntnisse in Python (und numpy) und parallelem Programmieren sollten vorhanden sein. Das Niveau des Vortrags liegt zwischen Grundlagen- und Expertlevel.
Lernziele
Teilnehmer lernen das Spektrum an Möglichkeiten zur parallelen Programmierung in Python kennen. Konkrete Beispiele verdeutlichen, welche Ergebnisse mit welchen Werkzeugen erreicht werden können und welche Herausforderungen dabei zu überwinden sind.
//
Dr. Frank Schlimbach
arbeitet bei Intel/SSG als Software Architect an der Intel Distribution for Python. Er entwickelt seit mehr als 20 Jahren Software im Bereich Parallel Computing, so z.B. an Methoden zur verteilten Lastbalancierung, an parallelen Programmiermodellen und an Tools zur Analyse paralleler und verteilter Programme.